Skip to content
View CaroBailon's full-sized avatar

Block or report CaroBailon

Block user

Prevent this user from interacting with your repositories and sending you notifications. Learn more about blocking users.

You must be logged in to block users.

Content in all repositories owned by your account will be closed.
Maximum 250 characters. Please don’t include any personal information such as legal names or email addresses. This note will only be visible to you.
Report abuse

Contact GitHub support about this user’s behavior. Learn more about reporting abuse.

Report abuse
CaroBailon/README.md

Hola, soy Carolina Bailon Trujillo 👋

LinkedIn Gmail

Data Analyst / Data Scientist Junior

Estudiante avanzada de Ciencia de Datos en Organizaciones (UNLP) · Buscando mi primer rol en datos · Híbrido en La Plata o remoto

Qué puedo aportar:

  • SQL y modelado de datos: consultas con CTEs y funciones de ventana, modelos en estrella en PostgreSQL.
  • Dashboards para decidir: Power BI con DAX y Excel (fórmulas, tablas dinámicas), con conclusiones claras y no solo gráficos.
  • Modelos predictivos bien validados: Python, Scikit-Learn y XGBoost, evaluados como se usan en la realidad, sin métricas infladas, y desplegados como API con FastAPI y Docker.
  • IA aplicada a procesos: agentes con RAG sobre la API de Gemini y automatizaciones en Make.
  • Visión de negocio: 5 años en operaciones (caja, inventarios y proveedores) antes de dedicarme a los datos.

SQL PostgreSQL Python Pandas Power BI DAX Excel Scikit-Learn XGBoost Statsmodels PyTorch Plotly FastAPI Docker Make RAG Gemini API Git

Proyectos

Dashboard SUBE PostgreSQL SQL Power BI Excel

El subte perdió el 45% de sus pasajeros en dos años tras el aumento de tarifa de 2024. Modelé 3,2 millones de registros en un esquema estrella, respondí 7 preguntas de negocio en SQL, armé un dashboard en Power BI y una versión en Excel, y cerré con recomendaciones concretas.

Vaca Muerta: producción estimada según la longitud de rama Python Scikit-Learn FastAPI Docker

Modelo de producción a 12 meses desplegado como API, con demo en vivo. La validación temporal muestra el rendimiento real: una partición aleatoria duplica el R² aparente (0,52 contra 0,26).

Parkinson: real vs. predicho según la partición Statsmodels XGBoost PyTorch

Con pacientes que el modelo nunca vio, el R² cae de 0,91 a −0,64: la partición aleatoria hacía que "memorizara" pacientes. Validé por paciente y mostré que conocer la línea de base reduce el error un 62%.

ARI Flow: triage de soporte con IA RAG Gemini API Make

Tres agentes para tareas repetitivas: responder consultas de soporte con una base de conocimiento y derivar el resto a una persona, armar propuestas comerciales validando presupuesto y plazos, y generar un panel de noticias. Incluye un set de 30 casos para evaluar el enrutamiento.

Otros: 🍏 Data Bite, propuesta de producto de datos para el concurso Molinos Innova: asistente que arma planes de comida semanales personalizados.

Pinned Loading

  1. sube-amba sube-amba Public

    Análisis de 19.000 millones de viajes con SUBE en el AMBA (2020-2026) · SQL, PostgreSQL, Power BI, Excel

    SQL

  2. vaca-muerta-predictive-analytics vaca-muerta-predictive-analytics Public

    Predicción de producción de pozos en Vaca Muerta, con API desplegada: la validación temporal muestra el R² real (0,26 vs. 0,52 aleatorio) · Python, Scikit-Learn, FastAPI

    Jupyter Notebook

  3. parkinson-longitudinal-ml parkinson-longitudinal-ml Public

    Validación por paciente en datos clínicos longitudinales: el R² cae de 0,91 a −0,64 con pacientes nuevos · Statsmodels, XGBoost, PyTorch

    Jupyter Notebook

  4. portfolio-agentes-ia portfolio-agentes-ia Public

    Tres agentes de IA para procesos de negocio: soporte, propuestas comerciales y noticias · RAG, Gemini API, Make

    Python